Аннотация
Введение 5
Глава 1 Задачи систем распознавания лиц 6
1.1 Задачи и примеры использования 6
1.2 Недостатки 8
Глава 2 Системы распознавания лиц 10
2.1 Алгоритмы классификации 10
2.2 Нейронные сети 12
2.3 Алгоритмы глубокого обучения 14
2.4 Алгоритмы сопоставления шаблонов 15
2.5 Алгоритмы на основе SVM 17
2.6 Метод главных компонент 18
2.7 Сравнение алгоритмов 20
Заключение 39
Список используемой литературы и используемых источников 41
Система распознавания лиц — это технология, способная сопоставлять человеческое лицо из цифрового изображения или видеокадра с базой данных лиц. Такая система обычно используется для аутентификации пользователей с помощью служб проверки личности и работает путем точного определения и измерения черт лица на данном изображении. Системы распознавания лиц являются важным инструментом в современной технологической среде. Они нашли широкое применение в различных областях, таких как безопасность, аутентификация, видеонаблюдение и социальные сети. Однако, эффективность таких систем во многом зависит от алгоритмов машинного обучения, применяемых для распознавания лиц.
Разработка подобных систем началась в 1960-х годах, начиная с формы компьютерного приложения. С момента своего создания системы распознавания лиц в последнее время получили более широкое применение на смартфонах и в других технологиях, таких как робототехника. Поскольку компьютеризированное распознавание лиц включает измерение физиологических характеристик человека, системы распознавания лиц относятся к категории биометрических. Хотя точность систем распознавания лиц как биометрической технологии ниже, чем распознавание радужной оболочки глаза и распознавание отпечатков пальцев, она широко применяется благодаря бесконтактному процессу. Системы распознавания лиц были развёрнуты в расширенном взаимодействии человека с компьютером, видеонаблюдении и автоматической индексации изображений.
Основываясь на анализе и сравнении различных алгоритмов, будет произведена оценка их применимости и эффективности для систем распознавания лиц. Это позволит исследователям и разработчикам выбрать наиболее подходящий алгоритм в зависимости от конкретных требований и контекста применения.
Выпускная квалификационная работа посвящена актуальной проблеме исследования и практического применения алгоритмов машинного обучения в системах распознавания лиц.
В настоящее время разработано много всевозможных алгоритмов, которые могут быть применены в системах распознавания лиц.
Помимо конфигураций и вычислительной мощности используемых для запуска алгоритма одним из критериев выбора конкретного метода является эффективность данного способа при реализации конкретной задачи.
Цель бакалаврской работы - исследование, сравнение и реализация алгоритмов машинного обучения в системах распознавания лиц.
Для достижения данной цели в процессе работы над бакалаврской работой решены следующие задачи:
Выполнена постановка задачи исследования и проанализированы различные алгоритмы машинного обучения. Исходя из проведённого сравнения алгоритмов машинного обучения для задачи распознавания лиц, можно сделать следующие выводы:
• алгоритмы на основе глубокого обучения, такие как свёрточные нейронные сети, обладают лучшей точностью в распознавании лиц, по сравнению с другими алгоритмами машинного обучения, такими как PCA, SVM и другими,
• однако, алгоритмы на основе глубокого обучения являются более сложными в реализации и требуют значительно больших вычислительных ресурсов для обучения и работы с системой, чем более простые алгоритмы, такие как PCA,
• алгоритмы на основе глубокого обучения также обладают более высокой устойчивостью к изменениям, таким как изменение положения, освещения и выражения лица, чем другие алгоритмы машинного обучения,
• при работе с большими объемами данных и использовании распределенных систем, лучше использовать алгоритмы, которые легко масштабируются и могут быть эффективно использованы на большом количестве устройств,
- в задачах, где требуется быстрая обработка изображений, эффективнее использовать алгоритмы, которые работают быстрее и могут быть эффективно использованы на устройствах с ограниченными вычислительными ресурсами.
Таким образом, выбор определенного алгоритма машинного обучения для задачи распознавания лиц должен зависеть от конкретных требований и ограничений, таких как точность, сложность, устойчивость к изменениям, масштабируемость и скорость обработки.
Выполнена программная реализация и тестирования алгоритма машинного обучения для распознавания лиц. В качестве примера использован популярный алгоритм PCA. Выполнена реализация данного алгоритма на языке программирования Python. Как показали результаты тестирования алгоритма его точность составила 98 процентов.
Результаты бакалаврской работы представляют научно-практический интерес и могут быть рекомендованы для анализа и программной реализации методов и алгоритмов машинного обучения в системах распознавания лиц.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
